Blog - LINE ENGINEERING

TAG ARCHIVES: Data/AI

메신저에서 AI와 블록체인까지, LINE이 10년간 걸어온 길
LINE Engineering2022-01-12
LINE의 기술을 소개하는 블로그를 운영하고 있습니다.
LINE은 지난 2021년 11월 10일과 11일 양일간 기술 컨퍼런스 LINE DEVELOPER DAY 2021을 온라인에서 개최했습니다. 이 행사의 오프닝 키노트에서 CTO 박의빈 님과 AI 사업 책임자 이사고 신이치 님, 블록체인 사업을 담당하고 있는 요네야마 유스케 님이 LINE의 과거와 현재, 그리고 미래에 대해 이야기했는데요. 이 키노트를 글로 옮겨서 두 번에 걸쳐 전달드리려고 합니다. 이번 블로그는 그 첫 번째 편으로 먼저 박의빈 님이 LINE의 지난 10년을 돌아본 이야기를 전해 드리고, 이어서 이사고 님이 하이퍼스케일 AI를 목표로 삼은 LINE CLOVA에 대해 전해 드리겠습니다. LINE 출시 후 10년 박의빈 님: LINE의 CTO 박의빈입니다. LINE DEVELOPER DAY 2021에 참여해 주셔서 감사합니다. 올해(2021년)도 LINE DEVELOPER DAY가 온라인으로 개최됐습니다. 그래서 온라인의 장점을
- Data/AI
- Blockchain
MLOps를 위한 BentoML 기능 및 성능 테스트 결과 공유 – 2
이웅규2021-11-30
안녕하세요. LINE에서 Financial Data Platform을 개발하는 이웅규입니다. 이번 글은 'MLOps를 위한 BentoML 기능 및 성능 테스트 결과 공유' 2편입니다. 1편에서는 BentoML을 선택한 이유와 서비스에 적용하기 위해 필요한 기능을 설명하고 예시를 보여드렸는데요. 이어서 이번 글에서는 BentoML을 서비스에 적용하기 위한 아키텍처와 Kubernetes 기반으로 서빙 API를 서비스에 적용하려면 꼭 필요한 기능인 무중단 배포 방법 네 가지를 말씀드리겠습니다. 또한 BentoML의 성능을 개선하기 위해 실시한 여러 실험과 개선 결과를 공유드리고 최종적으로 어떤 결론을 내렸는지 말씀드리겠습니다. 글은 두 편에 걸쳐서 아래와 같은 순서로 진행합니다. 1편 BentoML을 선택한 이유 BentoML 기능 테스트 마치며 2편 BentoML 서비스 적용(BentoML in Native Kubernetes
- Kubernetes
- Data/AI
MLOps를 위한 BentoML 기능 및 성능 테스트 결과 공유 - 1
이웅규2021-11-30
안녕하세요. LINE에서 Financial Data Platform을 개발하는 이웅규입니다. 2021년 초에 작성한 글(Airflow on Kubernetes VS Airflow Kubernetes Executor - 2) 마지막에 Kubernetes를 데이터 엔지니어링뿐 아니라 ML 기반 서비스에도 확장하고 있다고 말씀드렸는데요. 이번 글은 이전 글의 후속편으로써 ML 기반 서비스에 적용하고 있는 MLOps의 한 부분인 모델 서빙과 관련된 이야기를 하고자 합니다. 저는 MLOps가 어떤 솔루션이나 툴이 아니라 방법론이라고 생각합니다. 따라서 이를 구현하는 방법 또한 비즈니스의 성격이나 환경에 따라 다양할 수 있다고 생각합니다. MLOps는 여러 구성 요소를 포함하는데요. 사람마다 견해가 조금씩 다르지만 저는 크게 데이터 수집, 데이터 검증 및 전처리, 피처(feature) 추출 및 전처리, 지속적인 학습, 인프라 관리, 모델 관리, 모델 배포, 모델 서빙,
- Kubernetes
- Data/AI
NLP와 OCR, 머신 러닝으로 더욱 편리하고 특별한 LINE 가계부 만들기
김길도2021-08-03
LINE Financial Plus F Server Dev2 Back-end/Server Developer
LINE DEVELOPER DAY 2020에서 김길도 님이 발표하신 Technical Initiatives for Convenient Use of LINE Kakeibo 세션 내용을 옮긴 글입니다. 안녕하세요. F Server Dev2 팀에 김길도입니다. 이번 글에서는 LINE OA(Official Account) 메시지로 영수증 이미지를 보내면 가계부에 지출 항목이 등록되고 맞춤형 쿠폰까지 발급되는 LINE 가계부(일본어)의 흐름을 따라가면서, LINE 가계부에서만 경험할 수 있는 UX와 사용자가 좀 더 편리하게 이용할 수 있도록 도와주는 숨겨진 기술들을 소개하겠습니다. 참고. LINE 가계부는 현재 일본에서만 서비스하고 있습니다. LINE 가계부 소개 먼저 LINE 가계부에 대해 소개하겠습니다. LINE 가계부는 수입과 지출 항목을 입력하고
LINE Pay의 'Know Your Customer(KYC)'
백누리(Noori Baek)2021-07-06
LINE에서 Android 개발자로 일하고 있습니다.
LINE DEVELOPER DAY 2020에서 백누리 님이 발표하신 How to Know Your Customer (KYC) in LINE Pay 세션 내용을 옮긴 글입니다. 안녕하세요. LINE Fintech App Dev 팀에서 근무하는 Android 개발자 백누리입니다. 저는 LINE 내부의 Pay 서비스와 LINE Pay 앱을 개발하고 있으며, eKYC를 포함한 KYC와 웹 앱 지원을 주 업무로 담당하고 있습니다. 이번 글에서는 LINE Pay에서 'Know Your Customer(이하 KYC)'를 어떻게 진행하는지 공유하려고 하는데요. 먼저 KYC가 무엇인지 알아보고 LINE Pay의 eKYC에 대한 모든 것과 심사 경향, 앞으로의 계획 순으로 말씀드리겠습니다. KYC와 eKYC KYC는 서류를 통해 개인을 특정할 수 있는 정보를 확인하는 신원 확인과, 신
- Data/AI
- Fintech
LINE 메신저 앱에 온 디바이스 머신 러닝 적용하기
장혁재2021-05-03
LINE 앱의 사용자 경험을 개선할 수 있는 새로운 기능을 제안하고 구현하는 일을 하고 있습니다.
LINE DEVELOPER DAY 2020에서 장혁재 님이 발표하신 Sharing experience of adopting machine learning to LINE app 세션 내용을 옮긴 글입니다. 안녕하세요. 한국에서 LINE을 개발하고 있는 장혁재입니다. 이번 글에서는 머신 러닝 기능을 LINE 앱에 적용해 본 경험을 공유하겠습니다. 개발자가 아닌 분들이 읽어도 도움이 될 수 있도록 상세한 기술 내용보다는 개발 과정에 대한 전반적인 이야기를 다루려고 합니다. 이 글에서 예시로 설명드릴 세 가지 프로젝트와 그 프로젝트를 진행하며 얻은 교훈들이 이번 글에서 특히 중요한 부분일 것 같습니다. 온 디바이스 머신 러닝 온 디바이스(On-device) 머신 러닝이란 서버-클라이언트 관계에서의 모바일 클라이언트, 쉽게 말해 Android나 iOS의 LINE 앱 입장에
- Data/AI
Kubernetes를 이용한 효율적인 데이터 엔지니어링(Airflow on Kubernetes VS Airflow Kubernetes Executor) - 2
이웅규2021-01-06
안녕하세요. LINE Financial Data Platform을 운영하고 개발하고 있는 이웅규입니다. 이 글은 지난 NAVER DEVIEW 2020에서 발표했던 Kubernetes를 이용한 효율적인 데이터 엔지니어링 (Airflow on Kubernetes VS Airflow Kubernetes Executor) 세션에서 발표 형식 및 시간 관계상 설명하기 힘들었던 부분을 조금 더 자세하게 설명하고자 작성한 두 번째 글입니다(1부). 이번 글에서는 일반적인 Kubernetes Airflow 환경과 새로운 방식의 특징 및 장단점을 비교합니다. 그리고 새로운 방식인 Kubernetes Executor와 KubernetesPodOperator를 적용해 데이터 플랫폼을 어떻게 운영하고 개발하고 있는지 말씀드리고, 이를 통해 기존보다 확장성을 높였던 경험을 공유하겠습니다.이 글은 기본적으로 Airflow를 알고 계신다는 가정 하에 작성했
- Kubernetes
- Data/AI
Kubernetes를 이용한 효율적인 데이터 엔지니어링(Airflow on Kubernetes VS Airflow Kubernetes Executor) - 1
이웅규2021-01-06
안녕하세요. LINE Financial Data Platform을 운영하고 개발하고 있는 이웅규입니다. 저는 지난 NAVER DEVIEW 2020에서 발표했던 Kubernetes를 이용한 효율적인 데이터 엔지니어링 (Airflow on Kubernetes VS Airflow Kubernetes Executor) 세션에서 발표 형식 및 시간 관계상 설명하기 힘들었던 부분을 블로그를 통해 조금 더 자세하게 설명하고자 합니다. Apache Airflow는 데이터 엔지니어링을 효율적으로 수행할 수 있도록 도와주는 오픈소스 플랫폼으로, 최신 마이너 버전인 1.10.x에 신규 피처(feature)로 'Kubernetes Executor'가 추가되었습니다. 이 피처는 일반적인 Kubernetes 환경에서 데이터를 엔지니어링할 때 발생하는 단점을 보완하고 Kubernetes의 장점을 데이터 엔지니어링에 적용할 수 있는 방법입니다. 저희 조직에서는 이를
- Kubernetes
- Data/AI
Kafka와 MongoDB, Kubernetes로 유연하고 확장 가능한 LINE 쇼핑 플랫폼 구축하기
LINE Engineering2020-12-10
안녕하세요. LINE Commerce Platform에서 LINE 쇼핑(일본어) 개발을 담당하고 있는 유재균입니다. LINE 쇼핑에선 여러 판매자로부터 전달 받은 상품 정보를 한곳에 모아서 일정한 기준에 따라 분류하고, 그룹화한 뒤, 정렬하여 사용자들이 상품 정보를 쉽게 얻을 수 있도록 제공하고 있습니다. 네이버 쇼핑이나 다나와 등이 LINE 쇼핑과 동일한 모델이라고 할 수 있습니다. LINE 쇼핑의 판매자는 경우에 따라 수십에서 수천만 개 이상의 상품 정보를 보유하고 있는데요. 이런 판매자들의 상품을 한곳에 모아서 서비스하려면 어떻게 플랫폼을 구축해야 할까요? 이번 글에선 저희 팀이 이 어려운 과제를 해결하기 위해 어떤 플랫폼을 구축했는지 소개하려고 합니다. 요구 사항 LINE 쇼핑 플랫폼의 요구 사항을 비즈니스 및 사용자 경험 측면과 시스템의 유연성 측면으로 나누어 살펴보겠습니다.
- Server-side
- Data/AI
120가지 사용자 행동 분석을 자동화할 수 있는 '데이터 제품' 만들기
LINE Engineering2020-12-09
안녕하세요. LINE에서 데이터 분석을 맡고 있는 Insight Planning 팀의 박용재입니다. 이번 글에선 LINE의 통합 대시보드인 LINE User Activity Analytics(이하 LUA Analytics)가 개발된 과정을 소개하겠습니다. LINE은 채팅과 SNS, 영상 통화 등 서로 다른 다양한 성격의 서비스를 탑재하고 있는 플랫폼입니다. KPI를 추적하기 위해 각 서비스별로 10가지 이상의 대시보드를 개발해 운영하고 있으며, 각 대시보드를 지탱하기 위해 700가지가 넘는 데이터베이스를 운영하고 있습니다. LUA Analytics는 이렇게 많은 대시보드와 데이터베이스를 통하지 않고도 LINE 전반을 아우르는 사용자 행동을 하나의 플랫폼에서 추적할 수 있도록 만들기 위한 대시보드 통합 프로젝트입니다. 데이터 분석 팀과 데이터 엔지니어링 팀이 함께 문제를 풀어나간 과정을 정리했습니다. LINE의 데이터 분석을 '제품화'하려면
- Data/AI
- Tech Management

1 2 3